Prediksi Pembelian Emas Menggunakan Metode Decision Tre1
Prediksi Pembelian Emas Menggunakan Metode Decision Tre1
SKRIPSI
OLEH
HARDI SARTANTO
NIM 160535601721
2
PREDIKSI PEMBELIAN EMAS MENGGUNAKAN METODE DECISION
TREE
SKRIPSI
diajukan kepada
Universitas Negeri Malang
untuk memenuhi salah satu persyaratan
dalam menyelesaikan program Sarjana
Teknik Informatika
OLEH
HARDI SARTANTO
NIM 160535601721
Pembimbing II
ii
LEMBAR PENGESAHAN
Skripsi dengan judul Prediksi Pembelian Emas Menggunakan Metode Decision Tree
oleh Hardi Sartanto, telah diperiksa dan disetujui di depan pembimbing pada tanggal
Desember 2020.
Dewan Penguji,
Mengetahui, Mengesahkan,
Ketua Jurusan Teknik Eletro Dekan Fakultas Teknik
Aji Prasetya Wibawa, S.T., M.M.T., Ph.D. Prof. Dr. Marji, M.Kes
NIP. 197912182005011001 NIP. 195902031984031001
iii
PERNYATAAN KEASLIAN PENULISAN
Saya yang bertanda tangan dibawah ini :
Nama : Hardi Sartanto
NIM : 160535601721
Jurusan/ Program studi : Teknik Elektro/ Teknik Informatika
Fakultas/ Program : Teknik/ S1
Menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis benar-benar tulisan
saya, dan bukan merupakan plagiasi/ falsisikasi/ fabrikasi baik sebagian atau
seluruhnya.
Apablia dikemudian hari terbukti atau dapat dibuktikan bahwa skpisi ini hasil
plagiasi/ falsisikasi/ fabrikasi, baik sebagian atau seluruhnya, maka saya bersedia
menerima sanksi atas perbuatan tersebut sesuai dengan ketentuan yang berlaku.
Hardi Sartanto
iv
RINGKASAN
Hardi Sartanto. 2020. Prediksi Pembelian Emas Menggunakan Metode Decision
Tree. Skripsi, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri
Malang. Pembimbing: (I) Harits Ar Rosyid, S.T., M.T., Ph.D., Pembimbing:
(II) Muhammad Iqbal Akbar, S.ST., M.MT.
v
vi
SUMMARY
Hardi Sartanto. 2020. Purchase Prediction Gold Using Decision Tree Method. Thesis,
Department of Electrical Engineering, Faculty of Engineering, State
University of Malang. Pembimbing: (I) Harits Ar Rosyid, S.T., M.T., Ph.D. ,
Pembimbing: (II) Muhammad Iqbal Akbar, S.ST., M.MT.
vi
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena atas
Rahmat dan karunia-Nya penulis dapat menyelesaikan skripsi dengan judul “Prediksi
Pembelian Emas Menggunakan Metode Decision Tree”. Penyusunan skripsi ini
bertujuan untuk memenuhi salah satu syarat kelulusan Program Studi S1 Teknik
Informatika, Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang.
Dengan terselesaikannya skripsi ini, peneliti menyampaikan rasa terima kasih
kepada seluruh pihak atas bantuan secara langsung maupun tak langsung. Ucapan
terima kasih tersebut khususnya ditujukan kepada:
1. Prof. Dr. Marji, M.Kes selaku dekan Fakultas Teknik, Universitas Negeri
Malang.
2. Aji Prasetya Wibawa, S.T., M.M.T., Ph.D. selaku Ketua Jurusan Teknik
Elektro, Fakultas Teknik, Universitas Negeri Malang.
3. Ilham Ari Elbaith Zaeni, S.T., M.T., Ph.D. selaku Ketua Prodi Teknik
Informatika.
4. Harits Ar Rosyid, S.T., M.T., Ph.D. selaku dosen pembimbing I yang telah
memberikan bimbingan, waktu, saran dan berbagai masukan untuk skripsi ini.
5. Muhammad Iqbal Akbar, S.ST., M.MT selaku dosen pembimbing II yang
telah memberikan bimbingan, waktu, saran dan berbagai masukan untuk
skripsi ini.
6. Seluruh Dosen Jurusan Elektro yang telah memberikan ilmu yang bermanfaat.
7. Orang Tua dan Keluarga yang selalu memberikan dukungan dalam bentuk
moril, materil serta doa yang tak pernah putus.
8. Teman-teman S1 Teknik Informatika 2016 Offering A yang selalu
memberikan dukungan untuk penulisan skripsi ini.
9. Teman-teman seperjuangan Kabupaten Kayong Utara yang telah memberikan
semangat dan motivasi dalam proses pembuatan skripsi ini.
vii
Peneliti menyadari bahwa masih adanya kekurangan baik dari segi isi maupun segi
penulisan karena keterbatasan pengetahuan peneliti. Oleh sebab itu, peneliti
mengharapkan kritik dan saran yang konstruktif agar peneliti dapat lebih baik dalam
penelitian selanjutnya. Peneliti tetap berharap agar penelitian ini dapat bermanfaat
bagi sesama.
Hardi Sartanto
viii
DAFTAR ISI
Halaman
HALAMAN JUDUL .....................................................................................................i
LEMBAR PERSETUJUAN DOSEN PEMBIMBING ................................................ii
LEMBAR PENGESAHAN .........................................................................................iii
PERNYATAAN KEASLIAN TULISAN ...................................................................iv
RINGKASAN v
SUMMARY vi
KATA PENGANTAR ................................................................................................vii
DAFTAR ISI ix
DAFTAR TABEL xii
DAFTAR GAMBAR xiv
DAFTAR LAMPIRAN xv
1
1
ix
7
7
9
1
2
x
xi
DAFTAR TABEL
xii
DAFTAR GAMBAR
xiii
41
2
5
5
6
xiv
DAFTAR LAMPIRAN
Lampiran Halaman
xv
1
BAB I
PENDAHULUAN
Investasi saham dan investasi emas sangatlah berbeda, yaitu nilai harga jual
dan beli saham relatif sama tidak ada perbedaan diantaranya. Sedangkan nilai harga
beli emas dan nilai jual emas bisa berbeda mencapai kisaran Rp50.M - Rp100.M.
Nilai dari harga dari saham bisa mengalami kenaikan dan mengalami penurunan
harga secara drastis, dikarenakan faktor luar yang mempengaruhi harga saham.
Berbeda halnya dengan harga emas yang seringkali perubahan angka harganya yang
jarang ditemui bahkan hampir tidak pernah mengalami kenaikan ataupun penurunan
harga secara drastis.
Setiap emas memiliki kadar kemurnian emas berdasarkan standar umum yang
berlaku di dunia :
Dari takaran karat diatas, semakin besar karat yang dimiliki oleh emas maka semakin
besar atau mahal pula harga emas.
Bagi orang awam dalam berinvestasi akan sangat sulit dalam menentukan
keputusan apakah investasi tersebut menguntungkan ketika dibeli dan dijual pada hari
yang sama, ketika dibeli di jam perdagangan di mulai dan dijual ketika di jam
perdagangan selesai atau menyimpan emas dan menjual pada harga yang tinggi.
Pembelian emas akan mengoptimalkan keuangan investor, apabila pembelian emas
2
dilakukan secara berkala dengan keadaan uang yang memadai agar menghasilkan
keuntungan yang maksimal ketika emas dijual, tentunya dengan keputusan pembelian
emas yang telah diprediksi di penelitian ini. Artinya, emas yang dibeli tidak
mempengaruhi keuangan investor dengan harga yang dibeli dibawah dari harga
sebelumnya atau harga emas yang naik, namun tidak jauh berbeda dari harga
sebelumnya. Seseorang yang melakukan investasi merupakan orang yang
menginginkan keuntungan, dimana pemilik emas melakukan investasi jangka panjang
dengan melakukan proses jual beli emas. Investasi emas tidak selalu mendapat
keuntungan melalui penjualan, tetapi dipengaruhi juga oleh strategi investor dalam
melakukan pembelian emas yang baik. Investasi emas tidak disarankan untuk menjual
emas berdekatan dengan pembelian emas, dikarenakan perbedaan harga jual dan
harga beli tidak sama. Misalnya investor membeli emas di pagi hari dan menjual
emas di sore hari, maka investor tidak akan mendapatkan keuntungan melainkan
hanya kerugian yang akan dialami oleh investor, dikarenakan transaksi ketika
membeli emas lebih mahal daripada menjual emas. Penjualan emas sebaiknya
dilakukan ketika emas yang telah dibeli disimpan dalam jangka waktu 3-6 bulan,
jangka waktu tersebut membuat keuntungan investor akan maksimal, karena harga
emas yang selalu mengalami kenaikan. Penelitian ini bertujuan untuk membantu
seseorang untuk mengambil keputusan dalam pembelian emas sebagai strategi dalam
berinvestasi dengan menggunakan klasifikasi penambangan data.
3
kredit, terutama algoritma Decision Tree dengan akurasi yang tertinggi. Kelemahan
dari penelitian ini adalah tidak adanya penyampaian tentang banyaknya data atau
banyaknya jumlah orang yang layak dalam penerimaan layak kredit . Selain penelitian
tersebuat ada penelitian lain yang memprediksi harga emas untuk meminimalkan
resiko dengan menggunakan algoritma naïve bayes. (Guntur dkk 2018). Kelebihan
dari penelitian ini adalah tingkat akurasi yang cukup baik yakni dengan akurasi 75%
dan data testing yang digunakan sebanyak 16 data menghasilkan 12 data yang sesuai
dengan data ril, kelemahan dari penelitian ini adalah data training yang digunakan
hanya sebulan dari tanggal 1 desember 2017 – 1 januari 2018 dan di penelitian ini
tidak memunculkan nominal harga emas dimasa depan.
4
2. Bagaimana hasil performa klasifikasi decision tree dalam memprediksi
keputusan pembelian emas secara optimal ?
1.4 Tujuan Penelitian
Tujuan penelitian dalam penelitian ini adalah:
1. Untuk mengetahui penerapan metode decision tree dalam menetukan
keputusan pembelian emas secara optimal.
2. Untuk mengetahui hasil performa klasifikasi decision tree dalam memprediksi
keputusan pembelian emas secara optimal.
5
6
2. Bagi ilmu pengetahuan
Penelitian ini dilakukan untuk mengetahui apakah metode decision tree dapat
digunakan dalam menentukan keputusan pembelian emas untuk mendapatkan
keuntungan dengan tingkat akurasi yang baik.
3. Bagi masyarakat
Penelitian ini diharapkan dapat membantu seseorang dalam mengambil
langkah yang tepat agar mendapatkan pengeluaran yang optimal dalam
pengeluaran untuk membeli emas.
7
7
BAB II
KAJIAN PUSTAKA
Machine learning adalah cabang dari ilmu kecerdasan buatan yang berfokus
pada pembangunan dan studi sebuah sistem agar mampu belajar dari data-data yang
diperolehnya (Fikriya et al., 2017). Machine learning biasanya mengacu pada
perubahan dalam sistem yang melakukan tugasnya terkait dengan kecerdasan buatan
(AI), tugas tersebut melibatkan pengenalan, diagnosis, perencanaan, kontrol robot,
prediksi, dll (Nilsson, 2005), dan menurut (Baştanlar, and Özuysal, 2014) Machine
learning lebih sering digunakan untuk mengotomatiskan proses mendesain mesin
pencari yang baik. Berikut jenis-jenis machine learning :
Saat melakukan pemilihan node, terdapat beberapa cara atau rumus yang dapat
digunakan, antara lain:
a. Gini Impurity
Gini impurity adalah metode split yang secara default digunakan pada
Classification and Regression Trees (CART). Gini impurity merupakan
8
metrik yang dapat digunakan untuk mengukur homogenitas suatu dataset, gini
impurity dapat digunakan untuk membagi atribut saat pembentukan sebuah
decision tree. Nilai dari gini impurity terendah ialah 0 dan nilai maksimum
dari gini impurity tergantung dari masalah yang diselidiki, namun biasanya
mendekati 1. Rumus yang digunakan untuk melakukan perhitungan gini
impurity ditampilkan pada Gambar rumus 2.2 berikut.
j
I G ( x )=1−∑ p i2
i=1
Dengan:
b. Information Gain
9
Dengan:
Dan, Rumus 2.4 berikut adalah rumus yang digunakan untuk menghitung nilai
entropy,
n
Entropy ( X )=∑ − pi log 2 (pi)
i=1
Dengan:
x : Himpunan kasus
b. Algoritma c4.5
Algoritma yang dipakai dalam penelitian ini adalah algoritma c4.5,
algoritma c4.5 adalah salah satu algoritma yang digunakan dalam membuat
pohon keputusan ID3 (Hormann, 1964). Dari pada defaultnya, setiap nilai
atribut dikaitkan dengan subpohon yang terpisah dengan nilai-nilai yang
dikelompokkan menjadi subset dan setiap pohon dibentuk melaluli tahap setiap
subset (Quinlan, 1996). Tahapan dalam membuat sebuah pohon keputusan
dalam algoritma C4.5 (Larose, 2006), yaitu:
1. Persiapkan data training yang akan digunakan.
2. Menghitung akar dari pohon. Akar akan diambil dari atribut yang akan
terpilih, dengan cara menghitung nilai gain dari masing-masing atribut,
nilai gain yang paling tinggi yang akan menjadi akar pertama. Sebelum
10
menghitung nilai gain dari atribut terlebih dahulu hitung entropy. Rumus
entropy sebagai berikut:
n
Entropy ( S ) =∑ − pilog 2 ( pi)
i=1
n
|Si|
Gain ( S , A )=entropy ( S )−∑ entropy ( Si)
i=1 |S|
11
Menurut (Xindong Wu, dkk. 2008), algortima C4.5 memiliki tindakan yang
hampir sama dengan ID3, namun C4.5 meningkatkan beberapa prilaku dari ID3
yaitu :
C4.5 bisa menggunakan atribut dengan bobot yang berbeda
C4.5 bisa menggunakan data yang berkelanjutan
C4.5 bisa memangkas tree yang telah dibuat
Kelebihan dari algoritma c4.5 memiliki fleksibel dalam pemilihan fitur dari
node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria
dibandingkan kriteria yang lain dalam node yang sama serta dapat mengambil
keputusan dengan data yang kompleks dan banyak, bisa diubah menjadi simple
dan spesifik (Budiono, 2017). Selain itu, algoritma c4.5 juga dapat mengolah
data numerik, diskrit, dan bisa menangani nilai atribut yang tidak ada
(Pambudi, dkk. 2018)
12
2.2 Sistem Prediksi
Prediksi adalah suatu proses memperkirakan secara sistematis tentang suatu
yang akan mungkin terjadi dimasa depan berdasarkan data yang dimiliki, agar
kesalahannya dapat diperkecil (Minarni and Aldyanto, 2016). Menurut (Herjanto,
2006 dan Septiawan, Tri, 2015) Sistem prediksi adalah proses peramalan harga dan
variable dengan data kuntitatif sebagai salah satu informasi yang digunakan dalam
melalukan peramalan dimasa mendatang dengan mempertimbangkan dasar intuisi
dari masa lalu.
Prediksi atau ramalan menunjukkan apa yang akan terjadi pada suatu keadaan
tertentu dan merupakan input bagi proses perencanaan dan pengambilan keputusan.
Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka dan prediksi juga
sering dijumpai dalam beberapa hal dalam proses pemberian informasi yang belum
tentu benar terjadi seperti ramalan tentang hari kiamat pada tahun 2012. Sedangkan
menurut (IHME, 2013) Peramalan (forecasting) adalah suatu proses membuat
informasi faktual tentang situasi sosial masa depan atas dasar informasi yang ada
tentang masalah kebijakan. Ramalan terbagi menjadi 3 jenis, yaitu:
1. Proyeksi adalah ramalan yang didasarkan pada perluasan data atas
kecenderungan baik itu masa lalu maupun masa kini menuju masa yang akan
datang.
2. Prediksi adalah ramalan yang didasarkan pada asumsi teoritik yang tegas.
Asumsi ini dapat berupa hukum teoretis (misalnya hukum berkurangnya nilai
uang), proposisi teoritis (misalnya proposisi bahwa pecahnya masyarakat sipil
diakibatkan oleh kesenjangan antara harapan dan kemampuan), atau analogi
(misalnya analogi antara pertumbuhan organisasi pemerintah dengan
pertumbuhan organisme biologis).
3. Perkiraan adalah ramalan yang didasarkan pada penilaian yang informatif atau
penilaian pakar pengamat tentang situasi masyarakat di masa yang akan datang.
Prediksi tidak memberikan jawaban yang pasti tentang apa yang akan terjadi,
melainkan berusaha untuk mencari jawaban sedekat mungkin dengan yang akan
13
terjadi (Jaya, 2006). Prediksi juga tidak mungkin meramalkan suatu hal dengan tepat,
namun dalam proses prediksi bisa mendekati jawaban yang tepat.
14
Gambar 2.7 rumus perhitungan min max
Keterangan :
Prediksi
a1”+” a2”-”
Actual a1”+” True Positif True Negative
a2”-“ False Positif False Negative
15
Berdasarkan penjelasan dari tabel 2.1, maka perhitungan untuk mengetahui nilai
akurasi, recall, dan presisi sebagai berikut:
2.4.1 Akurasi
Akurasi adalah salah satu metrik pada perhitungan performa model machine
learning, akurasi akan mengevaluasi seberapa besar kemampuan model untuk
mendapatkan hasil yang tepat saat melakukan klasifikasi. Berikut rumus perhitungan
akurasi :
TP+TN
Akurasi= x 100 %
TP+ TN+ FP+ FN
Gambar 2.8 perhitungan akurasi confusion matrix
2.4.2 Presisi
Presisi adalah salah satu metrik pada perhitungan performa model machine
learning, presisi adalah nilai rasio data yang diprediksi benar positif dibandingkan
dengan data keseluruhan yang diprediksi positif. Berikut rumus perhitungan presisi :
TP
Presisi= x 100 %
TP+ FP
2.4.3 Recall
Recall atau bisa disebut sensitivitas adalah salah satu metrik pada perhitungan
performa model machine learning, recall adalah nilai rasio dari prediksi benar positif
dibandingkan dengan data yang benar-benar positif. Berikut rumus perhitungan
recall :
TP
Recall= x 100 %
TP+ FN
16
17
2.5 K-fold Cross validation
Cross validation merupakan cara yang digunakan untuk dalam perhitungan
suatu model untuk dataset tertentu. Jumlah perulangan cross validation ditentukan
secara manual pada awal proses pembuatan sesaui dengan keingingan. Cross
validation bekerja dengan membagi dataset menjadi dataset yang akan digunakan
untuk proses training dan dataset lain yang digunakan untuk proses testing atau
evaluasi model. Pada setiap iterasinya cross validation akan menggunakan dataset
yang berbeda-beda untuk setiap dataset training ataupun testing Nilai K merupakan
banyaknya nilai pada nilai validasi dicross validation. Sehingga jumlah data pada
setiap kelompok ditentukan menggunakan perhitungan jumlah dataset dibagi dengan
nilai K. Ilustrasi dari K-Fold Cross Validation dapat diketahui pada gambar 2.11
18
Penelitian lain tentang prediksi harga emas dilakukan oleh Guntur dkk, (2018)
adalah Prediksi Harga Emas Menggunakan Naïve Bayes Dalam Meminimalisasi
Resiko. Penelitian ini memprediksi harga emas apakah naik atau turun dengan
menggunakan data yang didapat dari situs www.pegadaian.co.id dengan data dari
tanggal 1 desember 2017 – 1 januari 2018. Akurasi dari penelitian ini adalah 75%,
dimana hasil dari pengujian menunjukan 12 dari 16 data uji memiliki ketepan
prediksi yang cukup baik. Penelitian ini mempunyai kekurangan salah satunya adalah
tidak adanya harga emas yang muncul pada masa depan.
19
19
BAB III
METODE PENELITIAN
20
Table 3.2 atribut data yang digunakan untuk pengolahan
Nama Atribut Penjelasan Atribut Tipe Data Nilai
Date Tanggal Date Positif
Kemudian atribut data akhir yang digunakan untuk tahapan pemodelan dipaparkan
pada tabel 3.3.
3.3 Preprocessing
3.3.1 Resampling
Dataset yang telah diolah dan telah ditentukan atribut apa saja yang digunakan
dan yang tidak digunakan, maka tahap selanjutnya adalah tahap preprocessing. Tahap
ini digunakan untuk menyeimbangkan data yang diolah kedalam aplikasi rapidminer
dengan menerapkan SMOTE pada data, sehingga data bisa seimbang. Tabel SMOTE
dipaparkan di tabel 3.4
Tabel 3.4 perbandingan data asli dan smote data
Beli Tidak Total Data
21
Data Asli 129 134 263
Data SMOTE 134 134 268
Tabel tersebut menujunkan bahwa proses SMOTE membuat data bisa seimbang
yang semula data beli sebanyak 129 data menjadi 134 data. Dengan demikian hasil
dari akurasi data tersebut tidak memihak antara Beli atau Tidak.
3.4 Pemodelan
22
23
Gambar 3.2 10 model yang terbentuk
Dari aturan-aturan yang ada digambar 3.2, merupakan dasar prediksi yang akan
dibuat kedalam sistem. Harga emas dari gambar pemodelan tersebut merupakan
batasan dalam proses prediksi yang menjadi acuan dalam proses prediksi pembelian
emas. Dalam proses prediksi pembelian emas, harga emas tersebut bisa menjadi lebih
kecil atau lebih besar dari harga yang tertera digambar 3.2.
24
Gambar 3.3 flowchart aplikasi
25
Aplikasi prediksi pembelian emas menampilkan hasil prediksi untuk harga yang
telah diinputkan. Selain menampilkan hasil aplikasi juga menampilkan data yang
diinput untuk user juga mengetahui harga yang diinputkan. Hasil prediksi dari
inputan data tersebut akan menampilkan output berupa keluaran Beli atau Tidak.
3.5 Validasi
Desain validasi penelitian ini meliputi tahap tahap penilaian dari ahli materi.
Setalah divalidasi sistem, kemudian melalui tahap revisi. Hasil revisi akan dianalisis
untuk memperoleh sistem yang dapat memberikan informasi berupa beli emas atau
tidak. Berdasarkan informasi tersebut, sistem prediksi pembelian emas menggunakan
algoritma decision tree menghasilkan sistem yang dapat menginformasikan kepada
pengguna dalam membeli emas dan dapat mengoptimalkan pengeluaran.
3.6 Evaluasi
Tahapan akhir dari penelitian ini ialah melakukan evaluasi dan analisis terhadap
penelitian yang telah dilakukan. Pada tahapan evaluasi ini akan ditarik kesimpulan
dan saran dari hasil penelitian. Selain itu, pada tahap evaluasi juga akan dilakukan
analisa kekurangan yang terdapat selama penelitian dilakukan, sehingga dapat
diperbaiki apabila ada penelitian selanjutnya
26
27
BAB IV
4.1 Pemodelan
Proses pemodelan menggunakan RapidMiner Studio 9.0 dengan menghasilkan
sebuah model yang akan dijadikan acuan dalam proses prediksi pembelian emas
dengan menggunakan algoritma decsision tree. Proses pembuatan dimulai dengan
mempersiapkan data yang akan diinputkan untuk membuat model dengan
mencantumkan Read Excel pada Rapidminer. Read excel merupakan tools yang
berguna untuk menampung data set yang digunakan untuk diolah kedalam aplikasi
RapidMiner
28
Gambar 4.5. subproses pada tools cross validation
Kemudian dengan menambahkan tools decision tree yang sebagai algoritma
yang digunakan untuk pembuatan model dari dataset yang diinputkan sebelumnya.
Gambar 4.7. tools apply model dan performance pada subproses cross validation
29
Dari semua proses yang telah dibuat didapatlah nilai akurasi, nilai presisi, dan nilai
recall. Dari gambar 4.8 menunjukan bahwa nilai akurasi sebesar 82.84% dengan
standar deviasi (+/-) sebesar 5.28%.
4.2 Validasi
Dalam penelitian ini menggunakan klasifikasi Decision Tree C4.5 dengan
arsitektur yang berupa pohon hirarki yang membentuk sebuah keputusan dari
keluaran tersebut. Arsitektur tersebut dipaparkan pada gambar 4.9.
30
Gambar 4.10 ilustrasi k-fold cross validation
Seperti dijelaskan pada gambar 4.4, Fold yang menggunakan K-Fold Cross
Validation sebagai pembuatan model yang dilakukan berdasarkan hasil kinerja dari
algoritma itu sendiri dengan kata lain K-fold Cross Validation berfungsi dalam
melatih model dengan menggunakan number of fold yang kemudian menghasilkan
data dari tabel Confusion Matrix. Confusion Matrix akan memberikan informasi
berupa kinerja algoritma dari hasil perhitungan nilai akurasi, nilai presisi, nilai recall
dan nilai error rate dengan nilai beli sebagai nilai positif dan nilai tidak sebagai nilai
negatif. Ilustrasi Confusion Matrix dipaparkan pada gambar 4.11.
31
Tabel 4.1 Confusion Matrix 1
Prediksi
true Beli true Tidak
Aktual
113+ 97
Akurasi= x 100 %=78.36 %
113+97+ 37+21
113
Presisi= x 100 %=82.20 %
113+21
113
Recall= x 100 %=72.39 %
113+ 37
37+21
Error rate= x 100 %=21.64 %
113 +97+ 21+ 37
Tabel 4.2 Confusion Matrix 2
Prediksi
true Beli true Tidak
Aktual
pred. Beli 106 18
pred. Tidak 28 116
Tabel 4.2 menunjukan bahwa nilai TP = 106, FP = 18, FN = 28 dan TN = 116.
Sehingga didapatkan perhitungan akurasi, presisi, recall dan error rate menggunakan
confusion matrix decision tree dengan hasil sebagai berikut:
106+116
Akurasi= x 100 %=82.84 %
106+116+ 18+ 28
106
Presisi= x 100 %=80.56 %
106+28
106
Recall= x 100 %=86.57 %
106+18
18+ 28
Error rate= x 100 %=17.82 %
106 +116+28+ 18
32
Tabel 4.3 Confusion Matrix 3
Prediksi
true Beli true Tidak
Aktual
pred. Beli 108 25
pred. Tidak 26 109
Tabel 4.3 menunjukan bahwa nilai TP = 108, FP = 25, FN = 26 dan TN = 109.
Sehingga didapatkan perhitungan akurasi, presisi, recall dan error rate menggunakan
confusion matrix decision tree dengan hasil sebagai berikut:
108+109
Akurasi= x 100 %=80.97 %
108+109+25+26
108
Presisi= x 100 %=80.74 %
108+26
108
Recall= x 100 %=81.34 %
108+25
25+26
Error rate= x 100 %=19.02 %
108+ 109+ 25+26
109+105
Akurasi= x 100 %=79.85 %
109+105+25+29
109
Presisi= x 100 %=80.77 %
109+25
109
Recall= x 100 %=78.76 %
109+29
33
29+25
Error rate= x 100 %=16.41%
109+ 105+ 25+29
111+ 98
Akurasi= x 100 %=77.24 %
111+ 98+23+38
111
Presisi= x 100 %=80.67 %
111+ 23
111
Recall= x 100 %=71.64 %
111+38
38+23
Error rate= x 100 %=22.76 %
111+98+ 23+38
Tabel 4.6 Confusion Matrix 6
Prediksi
true Beli true Tidak
Aktual
pred. Beli 108 27
pred. Tidak 26 107
Tabel 4.6 menunjukan bahwa nilai TP = 116, FP = 29, FN = 18 dan TN = 105.
Sehingga didapatkan perhitungan akurasi, presisi, recall dan error rate
menggunakan confusion matrix decision tree dengan hasil sebagai berikut:
108+107
Akurasi= x 100 %=80.22 %
108+107+26+27
108
Presisi= x 100 %=80.85 %
108+26
108
Recall= x 100 %=79.85 %
108+27
34
27+26
Error rate= x 100 %=19.77 %
108+ 107+26+27
103+99
Akurasi= x 100 %=75.35 %
103+99+31+35
103
Presisi= x 100 %=76.15 %
103+31
103
Recall= x 100 %=73.88 %
103+35
35+31
Error rate= x 100 %=23.88 %
103+ 99+31+35
Tabel 4.8 Confusion Matrix 8
Prediksi
true Beli true Tidak
Aktual
pred. Beli 110 31
pred. Tidak 24 103
Tabel 4.8 menunjukan bahwa nilai TP = 110, FP = 31, FN = 24 dan TN = 103.
Sehingga didapatkan perhitungan akurasi, presisi, recall dan error rate menggunakan
confusion matrix decision tree dengan hasil sebagai berikut:
110+103
Akurasi= x 100 %=79.48 %
110+103+24 +31
110
Presisi= x 100 %=81.10 %
110+24
35
110
Recall= x 100 %=76.87 %
115+ 31
31+24
Error rate= x 100 %=20.52 %
110 +103+24 +31
36
Tabel 4.9 Confusion Matrix 9
Prediksi
true Beli true Tidak
Aktual
pred. Beli 111 33
pred. Tidak 23 101
Tabel 4.9 menunjukan bahwa nilai TP = 111, FP = 33, FN = 23 dan TN = 101.
Sehingga didapatkan perhitungan akurasi, presisi, recall dan error rate menggunakan
confusion matrix decision tree dengan hasil sebagai berikut:
111+101
Akurasi= x 100 %=79.10 %
111+101+23+33
111
Presisi= x 100 %=81.45 %
111+ 23
111
Recall= x 100 %=75.37 %
111+33
33+23
Error rate= x 100 %=20,89 %
111+101+23+33
Tabel 4.10 Confusion Matrix 10
Prediksi
true Beli true Tidak
Aktual
pred. Beli 109 36
pred. Tidak 25 98
Tabel 4.10 menunjukan bahwa nilai TP = 109, FP = 36, FN = 25 dan TN = 98
Sehingga didapatkan perhitungan akurasi, presisi, recall dan error rate menggunakan
confusion matrix decision tree dengan hasil sebagai berikut:
109+98
Akurasi= x 100 %=77.24 %
109+98+36+25
109
Presisi= x 100 %=79.67 %
109+25
109
Recall= x 100 %=73.13 %
109+36
36+25
Error rate= x 100 %=22.76 %
109+ 98+25+36
37
4.3 Analisis
Tahap analisis bertujuan untuk menjabarkan hasil dari tahapan validasi dan
untuk mendapatkan hasil kesimpulan akhir dari penelitian. Analisis dilakukan dengan
membandingkan 10 hasil yang didapat dari tahap validasi yang telah diketahui hasil
dari akurasi, presisi, recall, dan error rate untuk mendapatkan klasifikasi terbaik
dalam menentukan keputusan dalam pembelian emas agar mengoptimalkan
pengeluaran.
Pada penelitian ini kelas positif adalah prediksi benar, sedangkan kelas negatif
adalah prediksi salah. Sehingga penelitian ini lebih berfokus pada kelas positif
dibandingkan kelas negatif.
38
Pada gambar 4.13 menunjukan hasil fold presisi terbaik pada fold ke-1 dengan
hasil 82,20%, terbaik kedua dimiliki fold ke-9 dengan hasil 81,45%, dan hasil terbaik
ketiga dimiliki fold ke-8 dengan hasil 81,10 %.
39
Semakin tinggi nilai recall pada kelas positif, maka menunjukkan kejadian
yang diprediksi benar semakin banyak jumlahnya. Jika nilai recall tidak terlalu tinggi,
hal ini tidak menjadikan prediksi menjadi tidak layak. Hanya saja hasil prediksi yang
didapatkan akan kurang optimal.
40
Gambar 4.16 performa fold ke 2
41
Gambar 4.17 10 model prediksi pembelian emas menggunakan decision tree
42
4.3.1 Home
Halaman home terdapat terdapat empat bagian yaitu prediksi, data emas,
harga emas, dan dashboard. Bagian terpenting pada apliksi ini adalah bagian
prediksi, bagian dashboard merupukan bagian menginputkan data dan edit data
khusus admin. Sedangkan bagian yang lain hanya berupa informasi bagi pengguna.
Fungsi utama pada aplikasi ini adalah bagian prediksi yang memberikan inforamsi
berupa keputusan untuk membeli emas berdasarkan keuangan yang memadai bagi
pengguna. Bagian prediksi menampilkan prediksi 1 sampai dengan prediksi 10.
Prediksi 1 sampai prediksi 10, merupakan 10 model yang digunakan untuk
memprediksi emas per model atau per prediksi, kemudian diikut tanggal dan
keputusan akhir “Beli” atau “Tidak” dengan data emas yang diiputkan oleh admin
sebagai data untuk pengguna bisa mengetahui hasil prediksi pada hari sebelumnya
dengan menampilkan atribut yang digunakan tanggal, harga penutupan, harga
pembukaan, harga tertinggi, harga terendah, volume transaksi, change, dan keputusan
sesuai dengan pemodelan yang telah dibuat pada tampilan seperti pada gambar 4.18.
43
berupa data emas dibuatlah script keputusan pada tabel 4.11. Script keputusan
berguna untuk memberikan informasi kepada pengguna atau investor apakah pada
hari yang diinputkan memiliki keputusan Beli atau Tidak.
// echo $keputusan;
$hasil_keputusan =
array($keputusan1,$keputusan2,$keputusan3,$keputusan4,$keputusan5,$
keputusan6,$keputusan7,$keputusan8,$keputusan9,$keputusan10);?>
<?php if(!isset($data['Tidak'])):?>
<?php $data['Tidak'] = 0;?>
<?php endif;?>
<?php
44
$sql = "INSERT INTO data_emas VALUES (NULL,'" .
$_POST["date"] . "','" . $_POST["price"] . "','" . $_POST["open"] .
"','" . $_POST["high"] . "','" . $_POST["low"] . "','" .
$_POST["volume"] . "','" . $_POST["change"] . "','" .
$hasil_keputusan . "',NULL)";
if (mysqli_query($conn, $sql)) {
mysqli_query($conn, $sqlFold);
echo "<script>swal('Sukses', 'Data berhasil
ditambahkan', 'success');</script>";
} else {
echo "<script>swal('Gagal', 'Data tidak berhasil
ditambahkan', 'error');</script>";
}
}
?>
4.3.2 Dashboard
Dalam pengoperasian sistem hanya admin yang diperbolehkan untuk
mengiputkan data pada aplikasi. Admin memiliki akun yang telah terdaftar pada
sistem untuk dapat login menggunakan username dan password. Sehingga hanya
admin yang telah terdaftar dengan username dan password yang valid yang dapat
masuk pada halaman dashboard. Berikut merupakan tampilan halaman login pada
dashboard dipaparkan gambar 4.19.
45
Gambar 4.19 halaman login
46
Input data digunakan sebagai pemberi informasi kepada pengguna untuk mengetahui
harga dan hasil prediksi yang ada. Selain halaman input data, dashboard juga
memiliki halaman edit data, bertujuan untuk menyunting dan menghapus data ketika
terjadi kesalahan masukan, dipaparkan pada gambar 4.21.
47
47
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan penelitian yang telah dilakukan, dapat
disimpulkan bahwa Decision Tree dapat melakukan prediksi dengan tingkat yang
cukup baik. Tidak ada parameter atau tree yang pasti atau pun rekomendasi tentang
model prediksi dari Decision Tree secara umum dikarenakan model yang didapat dari
algortima melainkan dari dataset itu sendiri yang digunakan untuk mendapatkan hasil
terbaik.
5.2 Saran
Setiap penelitian yang dilakukan akan memiliki kekurangan dan kelemahan
sehingga perlu dilakukan pengembangan kembali agar penelitian yang dilakukan
akan semakin membaik. Adapun kekurangan dan kelemahan dari penelitian ini
sebagai berikut :
1. Tidak adanya fiutr informasi terkait pengeluaran dalam pemeblian emas yang
dilakukan oleh investor.
2. Tidak adanya fitur informasi berapa persen harga emas naik atau turun.
3. Tidak menggunakan model yang bisa mengetahui kondisi negara saat ini.
4. Tidak adanya fitur informasi yang dapat diketahui oleh investor.
5. Tidak adanya fitur prediksi penjualan emas agar investor dapat mengetahui
kapan harus menjual emas dan kapan tidak harus menjual emas.
6. Tidak menggunakan model dengan kondisi ekonomi, kondisi politik, dan lain
sebagainya.
48
DAFTAR PUSTAKA
Ahmad, A. (2017) ‘Mengenal Artificial Intelligence, Machine Learning, Neural
Network, Dan Deep Learning’, Jurnal Teknologi Indonesia, (October), P. 3.
Andriyanto, T. (2017) ‘Sistem Peramalan Harga Emas Antam Menggunakan Double
Exponential Smoothing’, Intensif, 1(1), P. 1. Doi: 10.29407/Intensif.V1i1.531.
Ari Budiono (2017) ‘Pohon Keputusan Dengan Algoritma C4.5 1.’, Pp. 3–4.
Available At: Https://Docplayer.Info/46185146-Pohon-Keputusan-Dengan-
Algoritma-C4-5.Html.
Awam, B. O. (2013) ‘Investasi Emas Bagi Orang Awam’.
Baştanlar, Y. And Özuysal, M. (2014) ‘Introduction To Machine Learning’, Methods
In Molecular Biology, 1107, Pp. 105–128. Doi: 10.1007/978-1-62703-748-
8_7.
Bruno, L. (2019), Journal Of Chemical Information And Modeling, 53(9), Pp. 1689–
1699. Doi: 10.1017/CBO9781107415324.004.
Buttle, F. (2008) Customer Relationship Management: Second Edition, Customer
Relationship Management: Second Edition. Doi: 10.4324/9780080949611.
Chen, S. F. And Goodman, J. (1999) ‘Empirical Study Of Smoothing Techniques For
Language Modeling’, Computer Speech And Language, 13(4), Pp. 359–394.
Doi: 10.1006/Csla.1999.0128.
Delfanti, R. L. Et Al. (2018) ‘Modul Mata Kuliah’, New England Journal Of
Medicine, 372(2), Pp. 2499–2508. Doi: 10.1056/Nejmoa1407279.
Fikriya, Z. A. Et Al. (2017) ‘928X Print) A 18’, Jurnal Sains Dan Seni ITS, 6(1).
Flach, P. (2012). Machine Learning: The Art And Science Of Algorithms That Make
Sense Of Data. Cambridge: Cambridge University Press.
Doi:10.1017/CBO9780511973M
Gunawan, A. I. And Wirawati, N. G. P. (2013) ‘Perbandingan Berinvestasi Antara
Logam Mulia Emas Dengan Saham Perusahaan Pertambangan Emas’, E-
Jurnal Akuntansi Universitas Udayana, 4(2), Pp. 406–420. Available At:
Https://Ojs.Unud.Ac.Id/Index.Php/Akuntansi/Article/View/6303/4818.
Guntur, M., Santony, J. And Yuhandri, Y. (2018) ‘Prediksi Harga Emas Dengan
Menggunakan Metode Naïve Bayes Dalam Investasi Untuk Meminimalisasi
Resiko’, Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 2(1), Pp.
354–360. Doi: 10.29207/Resti.V2i1.276.
Herman, Y. (2011) ‘Tinjauan Pustaka Tinjauan Pustaka’, Convention Center Di Kota
49
Tegal, 4(80), P. 4.
Hormann, A. M. (1964) ‘Programs For Machine Learning. Part II’, Information And
Control, 7(1), Pp. 55–77. Doi: 10.1016/S0019-9958(64)90259-1.
IHME. (2013) Sistem Klasifikasi perhitungan tingkat ketepatan penyelasaian studi
mahasiswa baru dengan metode Fuzzy tsukamoto, Pp. 1–11.
Integration, I., Iiis, S. And Paper, D. (2009) ‘Is Gold A Safe Haven ? International
Evidence Dirk G . Baur , Dublin City University – Business School Thomas
K. Mcdermott, Trinity College Dublin – Institute For International Integration
Studies’, (310).
Jaya, D. I. (2006) ‘Perancangan Dan Pembuatan Perangkat Lunak Berbasis Jaringan
Saraf Tiruan Untuk Memprediksi Harga Saham Dengan Menggunakan
Backpropagation’, P. 160.
Kurnianwan, I. (2019) Analisis Keuntungan Investasi Emas Dengan IHSG.
Larose, D. T. (2006) Data Mining Methods And Models, Data Mining Methods And
Models. Doi: 10.1002/0471756482.
Mashlahah, S. (2013) Prediksi Kelulusan Mahasiswa Menggunakan Metode Decision
Tree Dengan Penerapan Algoritma C4.5.
Minarni And Aldyanto, F. (2016) ‘Prediksi Jumlah Produksi Roti Menggunakan
Metode Logika Fuzzy (Studi Kasus : Roti Malabar Bakery)’, Jurnal
TEKNOIF, 4(2), Pp. 59–65.
Munawar, A., Tinggi, S. And Ekonomi, I. (2018) ‘Prosedur Investasi Emas
Berjangka’, (June). Doi: 10.13140/RG.2.2.19045.50408.
Muzakir, A. And Wulandari, R. A. (2016) ‘Model Data Mining Sebagai Prediksi
Penyakit Hipertensi Kehamilan Dengan Teknik Decision Tree’, Scientific
Journal Of Informatics, 3(1), Pp. 19–26. Doi: 10.15294/Sji.V3i1.4610.
Nilsson, N. J. (2005) ‘Introduction To Machine Learning An Early Draft Of A
Proposed Textbook Department Of Computer Science’, Machine Learning,
56(2), Pp. 387–99. Doi: 10.1016/J.Neuroimage.2010.11.004.
Pambudi, R. H., Setiawan, B. D. And Indriati (2018) ‘Penerapan Algoritma C4 . 5
Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah Berdasarkan
Faktor Eksternal’, Jurnal Pengembangan Teknologi Informasi Dan Ilmu
Komputer, 2(7), Pp. 2637–2643. Available At: Http://J-Ptiik.Ub.Ac.Id5.
Pristyanto, Y. (2019) ‘Penerapan Metode Ensemble Untuk Meningkatkan Kinerja
Algoritme Klasifikasi Pada Imbalanced Dataset’, Jurnal Teknoinfo, 13(1), P.
50
11. Doi: 10.33365/Jti.V13i1.184.
Quinlan, J. R. (1996) ‘Improved Use Of Continuous Attributes In C4.5’, Journal Of
Artificial Intelligence Research, 4(1996), Pp. 77–90. Doi: 10.1613/Jair.279.
Septiawan, I. G. N. E. And Tri, M. P. (2015) ‘“ Sistem Informasi Prediksi Jumlah
Kebutuhan Bahan Produksi Pada Pt . Agaricus Sido Makmur Sentosa’.
Susanto, W. E. And Riana, D. (2016) ‘Komparasi Algoritma’, Jurnal Speed, 8(3), Pp.
18–27.
Taufiq Rohman, S.Pd.I, M. P. (2019), Psikologi Perkembangan, (October 2013), Pp.
1–224. Doi: 10.1017/CBO9781107415324.004.
Widuhung, S. D. (2014) ‘Perbandingan Return Dan Risiko Investasi Pada Saham
Syariah Dan Emas’, Jurnal Al-Azhar Indonesia Seri Pranata Sosial, 2(3), Pp.
144–150.
Xindong Wu, Vipin Kumar, J. Ross Quinlan, Joydeep Ghosh, Qiang Yang, Hiroshi
Motoda, Geoffrey J. Mclachlan, Angus Ng, Bing Liu, Philip S. Yu, Zhi-Hua
Zhou, Michael Steinbach, David J. Hand, Dan Steinberg. Top 10 Algorithms
In Data Mining, Knowl Inf Syst (2008)
Zhai, C. And Lafferty, J. (2001) ‘A Study Of Smoothing Methods For Language
Models Applied To Ad Hoc Information Retrieval’, SIGIR Forum (ACM
Special Interest Group On Information Retrieval), Pp. 334–342. Doi:
10.1145/383952.384019.
51
Jan 09 2019 1323,50 1314,30 1326,00 1312,40 58M 0.46 Tidak
Jan 10 2019 1319,20 1325,00 1328,00 1319,10 55M -0.32 Beli
Jan 11 2019 1321,30 1319,30 1325,80 1319,00 53M 0.16 Tidak
Jan 14 2019 1323,30 1323,10 1327,10 1321,00 132M 0.15 Tidak
Jan 15 2019 1319,70 1324,70 1326,00 1318,10 94M -0.27 Beli
Jan 16 2019 1325,10 1321,30 1326,00 1321,30 112M 0.41 Tidak
Jan 17 2019 1323,60 1323,50 1323,50 1319,90 48M -0.11 Tidak
Jan 18 2019 1313,80 1322,00 1322,10 1312,00 29M -0.74 Beli
Jan 20 2019 1282,05 1281,30 1282,70 1280,50 0 -2.42 Tidak
Jan 21 2019 1279,05 1281,95 1282,95 1276,15 0 -0.23 Beli
Jan 22 2019 1314,20 1311,10 1315,80 1308,00 137M 2.75 Tidak
Jan 23 2019 1315,20 1315,00 1316,30 1309,90 92M 0.08 Tidak
Jan 24 2019 1310,80 1314,00 1314,00 1308,50 40M -0.33 Beli
Jan 25 2019 1329,10 1313,10 1333,20 1312,30 36M 1.40 Tidak
Jan 28 2019 1334,50 1331,90 1334,70 1329,30 92M 0.41 Tidak
Jan 29 2019 1340,20 1334,20 1341,70 1333,10 930M 0.43 Tidak
Jan 30 2019 1340,50 1341,30 1353,20 1340,20 191M 0.02 Beli
Jan 31 2019 1350,00 1350,60 1354,60 1347,00 265M 0.71 Beli
Feb 01 2019 1347,10 1349,80 1352,20 1345,90 75M -0.21 Beli
Feb 04 2019 1344,30 1346,40 1346,40 1338,00 53M -0.21 Beli
Feb 05 2019 1344,60 1343,40 1345,70 1340,80 125M 0.02 Tidak
Feb 06 2019 1339,70 1344,90 1344,90 1335,00 77M -0.36 Beli
Feb 07 2019 1339,40 1335,60 1340,70 1332,00 166M -0.02 Tidak
Feb 08 2019 1343,70 1337,90 1344,20 1337,90 33M 0.32 Tidak
Feb 11 2019 1337,00 1342,50 1342,70 1333,00 126M -0.50 Beli
Feb 12 2019 1338,90 1337,00 1342,10 1336,80 107M 0.14 Tidak
Feb 13 2019 1340,10 1338,60 1345,20 1333,20 188M 0.09 Tidak
Feb 14 2019 1338,70 1337,00 1342,00 1329,90 81M -0.10 Tidak
Feb 15 2019 1346,80 1340,40 1350,00 1340,40 85M 0.61 Tidak
Feb 17 2019 1324,25 1324,65 1324,95 1323,85 0 -1.67 Beli
Feb 18 2019 1329,55 1324,35 1330,75 1324,05 0 0.40 Tidak
Feb 19 2019 1369,60 1349,50 1369,60 1349,00 260M 3.01 Tidak
Feb 20 2019 1372,50 1371,30 1374,30 1366,30 167M 0.21 Tidak
Feb 21 2019 1352,40 1367,90 1368,40 1351,20 86M -1.46 Beli
Feb 22 2019 1357,60 1351,30 1359,80 1349,10 99M 0.38 Tidak
Feb 25 2019 1354,20 1357,80 1359,00 1352,40 55M -0.25 Beli
Feb 26 2019 1353,40 1356,10 1357,00 1350,70 17M -0.06 Beli
Feb 27 2019 1346,00 1356,00 1356,00 1344,30 88M -0.55 Beli
Feb 28 2019 1341,00 1347,60 1353,40 1338,90 61M -0.37 Beli
Mar 01 2019 1323,80 1339,10 1340,60 1316,30 218M -1.28 Beli
Mar 04 2019 1311,90 1320,60 1322,30 1308,40 176M -0.90 Beli
52
Mar 05 2019 1309,10 1311,80 1314,10 1306,90 124M -0.21 Beli
Mar 06 2019 1312,20 1314,00 1316,10 1309,60 110M 0.24 Beli
Mar 07 2019 1310,70 1312,40 1312,90 1306,70 236M -0.11 Beli
Mar 08 2019 1324,30 1312,30 1325,70 1312,30 240M 1.04 Tidak
Mar 11 2019 1315,70 1323,50 1323,50 1315,40 136M -0.65 Beli
Mar 12 2019 1322,40 1319,10 1326,30 1319,00 133M 0.51 Tidak
Mar 13 2019 1333,80 1327,20 1336,00 1327,20 200M 0.86 Tidak
Mar 14 2019 1319,40 1332,10 1332,10 1317,20 146M -1.08 Beli
Mar 15 2019 1327,10 1320,30 1330,10 1320,00 88M 0.58 Tidak
Mar 18 2019 1325,80 1323,10 1330,40 1323,00 118M -0.10 Tidak
Mar 19 2019 1330,90 1328,00 1334,70 1328,00 131M 0.38 Tidak
Mar 20 2019 1325,80 1330,90 1341,10 1323,00 296M -0.38 Beli
Mar 21 2019 1331,60 1338,00 1344,20 1327,80 130M 0.44 Beli
Mar 22 2019 1336,50 1333,00 1338,80 1331,70 394M 0.37 Tidak
Mar 25 2019 1346,70 1335,30 1348,40 1335,30 250M 0.76 Tidak
Mar 26 2019 1339,20 1345,20 1345,60 1336,60 183M -0.56 Beli
Mar 27 2019 1334,70 1341,10 1342,80 1331,80 171M -0.34 Beli
Mar 28 2019 1313,30 1332,50 1334,70 1311,40 256M -1.60 Beli
Mar 29 2019 1316,50 1314,00 1322,30 1310,00 83M 0.24 Tidak
Apr 01 2019 1312,40 1314,40 1319,30 1309,50 77M -0.31 Beli
Apr 02 2019 1313,40 1310,70 1314,70 1308,00 141M 0.08 Tidak
Apr 03 2019 1313,30 1314,00 1316,60 1310,60 144M -0.01 Beli
Apr 04 2019 1312,20 1313,10 1316,40 1302,80 229M -0.08 Beli
Apr 05 2019 1313,70 1315,00 1315,00 1306,60 164M 0.11 Beli
Apr 08 2019 1319,90 1313,70 1325,40 1313,70 126M 0.47 Tidak
Apr 09 2019 1326,30 1320,00 1328,30 1320,00 272M 0.48 Tidak
Apr 10 2019 1331,90 1326,50 1332,20 1322,80 208M 0.42 Tidak
Apr 11 2019 1311,30 1329,20 1329,20 1311,00 172M -1.55 Beli
Apr 12 2019 1313,40 1314,20 1316,90 1312,10 237M 0.16 Beli
Apr 15 2019 1309,40 1312,30 1312,30 1303,60 282M -0.30 Beli
Apr 16 2019 1295,20 1309,50 1309,50 1293,90 313M -1.08 Beli
Apr 17 2019 1294,70 1297,40 1299,60 1293,50 223M -0.04 Beli
Apr 18 2019 1294,10 1293,70 1296,90 1291,00 115M -0.05 Tidak
Apr 19 2019 1277,90 1277,90 1277,90 1277,90 0 -1.25 Tidak
Apr 22 2019 1295,80 1295,80 1299,50 1294,10 23M 1.40 Tidak
Apr 23 2019 1291,20 1295,20 1296,20 1286,00 209M -0.36 Beli
Apr 24 2019 1297,40 1290,30 1298,40 1289,10 130M 0.48 Tidak
Apr 25 2019 1297,70 1294,20 1302,50 1293,50 142M 0.02 Tidak
Apr 26 2019 1306,80 1298,00 1308,70 1296,90 205M 0.70 Tidak
Apr 29 2019 1299,40 1306,40 1306,40 1298,00 129M -0.57 Beli
Apr 30 2019 1303,60 1299,80 1305,90 1299,60 206M 0.32 Tidak
53
May 1 2019 1302,20 1302,30 1307,00 1292,90 249M -0.11 Beli
May 2 2019 1289,90 1297,00 1297,20 1285,10 305M -0.94 Beli
May 3 2019 1299,20 1289,60 1301,70 1288,50 193M 0.72 Tidak
May 6 2019 1301,80 1302,00 1305,00 1296,30 234M 0.20 Beli
May 7 2019 1303,60 1300,70 1305,30 1297,20 377M 0.14 Tidak
May 8 2019 1299,50 1303,50 1310,20 1298,40 288M -0.31 Beli
May 9 2019 1303,20 1300,50 1307,00 1298,60 594M 0.28 Tidak
May 10 2019 1305,30 1303,20 1308,00 1302,00 312M 0.16 Tidak
May 13 2019 1319,50 1306,00 1319,80 1300,30 673M 1.09 Tidak
May 14 2019 1313,60 1318,70 1321,70 1312,00 546M -0.45 Beli
May 15 2019 1315,10 1315,00 1318,70 1310,80 438M 0.11 Tidak
May 16 2019 1303,50 1314,50 1316,20 1301,90 525M -0.88 Beli
May 17 2019 1293,00 1304,10 1305,90 1292,00 435M -0.81 Beli
May 20 2019 1294,60 1294,70 1295,80 1291,10 562M 0.12 Beli
May 21 2019 1290,40 1293,70 1293,80 1286,30 454M -0.32 Beli
May 22 2019 1291,40 1291,20 1293,70 1289,20 1147M 0.08 Tidak
May 23 2019 1302,70 1290,20 1304,20 1289,90 698M 0.88 Tidak
May 24 2019 1301,00 1300,40 1302,00 1297,40 332M -0.13 Tidak
May 26 2019 1284,15 1284,20 1285,15 1283,65 0 -1.30 Beli
May 27 2019 1284,95 1284,25 1286,85 1283,25 0 0.06 Tidak
May 28 2019 1294,30 1301,80 1304,00 1292,90 902M 0.73 Beli
May 29 2019 1297,90 1295,90 1302,00 1295,90 741M 0.28 Tidak
May 30 2019 1304,10 1296,20 1305,20 1290,80 212M 0.48 Tidak
May 31 2019 1322,60 1304,40 1323,00 1304,20 720M 1.42 Tidak
Jun 03 2019 1339,30 1323,10 1344,10 1322,70 551M 1.26 Tidak
Jun 04 2019 1340,10 1340,90 1345,20 1336,10 387M 0.06 Beli
Jun 05 2019 1344,90 1341,00 1360,10 1341,00 683M 0.36 Tidak
Jun 06 2019 1354,00 1348,00 1355,30 1343,50 292M 0.68 Tidak
Jun 07 2019 1357,40 1351,40 1363,80 1345,80 687M 0.25 Tidak
Jun 10 2019 1340,70 1351,40 1353,00 1340,30 798M -1.23 Beli
Jun 11 2019 1342,70 1343,50 1344,70 1335,10 658M 0.15 Beli
Jun 12 2019 1348,20 1342,30 1353,60 1341,50 148M 0.41 Tidak
Jun 13 2019 1355,10 1349,00 1358,00 1347,60 618M 0.51 Tidak
Jun 14 2019 1355,90 1357,60 1373,60 1352,80 850M 0.06 Beli
Jun 17 2019 1354,20 1357,10 1358,20 1348,20 480M -0.13 Beli
Jun 18 2019 1362,10 1354,70 1369,60 1353,70 591M 0.58 Tidak
Jun 19 2019 1360,10 1361,40 1377,60 1356,50 619M -0.15 Beli
Jun 20 2019 1408,30 1375,20 1408,90 1373,30 1531M 3.54 Tidak
Jun 21 2019 1411,20 1403,50 1425,50 1398,00 198M 0.21 Tidak
Jun 24 2019 1429,50 1414,70 1435,90 1414,70 880M 1.30 Tidak
Jun 25 2019 1430,10 1433,20 1453,70 1427,00 1367M 0.04 Beli
54
Jun 26 2019 1426,80 1438,00 1438,00 1416,40 775M -0.23 Beli
Jun 27 2019 1423,40 1423,60 1426,00 1412,70 737M -0.24 Beli
Jun 28 2019 1425,10 1424,40 1439,10 1420,10 876M 0.12 Tidak
Jul 01 2019 1400,80 1418,00 1418,00 1396,40 1499M -1.71 Beli
Jul 02 2019 1419,80 1399,50 1435,00 1398,80 3395M 1.36 Tidak
Jul 03 2019 1432,90 1435,50 1452,60 1426,60 1776M 0.92 Beli
Jul 04 2019 1423,55 1421,25 1426,65 1412,85 0 -0.65 Tidak
Jul 05 2019 1412,10 1434,10 1437,50 1400,70 2607M -0.80 Beli
Jul 08 2019 1412,20 1412,40 1421,50 1406,00 4889M 0.01 Beli
Jul 09 2019 1412,80 1409,80 1414,10 1399,80 3122M 0.04 Tidak
Jul 10 2019 1424,90 1412,20 1433,30 1404,40 4799M 0.86 Tidak
Jul 11 2019 1419,30 1433,40 1441,30 1415,50 4727M -0.39 Beli
Jul 12 2019 1424,80 1418,40 1431,40 1417,20 3110M 0.39 Tidak
Jul 15 2019 1426,10 1429,00 1433,90 1421,90 1316M 0.09 Beli
Jul 16 2019 1423,60 1428,80 1432,40 1415,00 2267M -0.18 Beli
Jul 17 2019 1435,90 1420,60 1440,80 1413,70 2614M 0.86 Tidak
Jul 18 2019 1440,80 1441,00 1462,30 1428,10 4123M 0.34 Beli
Jul 19 2019 1439,40 1460,40 1467,00 1434,00 4494M -0.10 Beli
Jul 22 2019 1439,70 1441,70 1443,50 1435,70 3181M 0.02 Beli
Jul 23 2019 1434,50 1438,40 1444,00 1427,50 6345M -0.36 Beli
Jul 24 2019 1436,50 1431,00 1442,90 1429,40 6712M 0.14 Tidak
Jul 25 2019 1427,50 1439,30 1447,00 1423,90 11582M -0.63 Beli
Jul 26 2019 1432,20 1427,40 1437,60 1425,60 11810M 0.33 Tidak
Jul 29 2019 1433,30 1431,90 1440,80 1427,50 17417M 0.08 Tidak
Jul 30 2019 1441,80 1439,50 1445,70 1434,80 25962M 0.59 Tidak
Jul 31 2019 1437,80 1443,70 1447,80 1422,30 41958M -0.28 Beli
Aug 01 2019 1432,40 1425,60 1458,20 1412,10 58756M -0.38 Tidak
Aug 02 2019 1457,50 1457,50 1461,90 1442,50 49305M 1.75 Tidak
Aug 05 2019 1476,50 1451,20 1481,80 1448,80 53419M 1.30 Tidak
Aug 06 2019 1484,20 1481,10 1486,80 1468,20 38192M 0.52 Tidak
Aug 07 2019 1519,60 1486,70 1522,70 1484,30 65155M 2.39 Tidak
Aug 08 2019 1509,50 1512,10 1521,30 1501,60 40296M -0.66 Beli
Aug 09 2019 1508,50 1515,90 1521,10 1506,20 33261M -0.07 Beli
Aug 12 2019 1517,20 1509,20 1531,50 1498,60 35510M 0.58 Tidak
Aug 13 2019 1514,10 1522,30 1546,10 1488,90 61674M -0.20 Beli
Aug 14 2019 1527,80 1513,00 1534,90 1504,50 48419M 0.90 Tidak
Aug 15 2019 1531,20 1526,60 1537,70 1518,30 43612M 0.22 Tidak
Aug 16 2019 1523,60 1533,90 1538,60 1513,90 32246M -0.50 Beli
Aug 19 2019 1511,60 1523,00 1523,60 1503,30 29583M -0.79 Beli
Aug 20 2019 1515,70 1506,30 1518,80 1503,00 24754M 0.27 Tidak
Aug 21 2019 1515,70 1518,40 1518,40 1506,50 24590M 0.00 Beli
55
Aug 22 2019 1508,50 1512,40 1514,60 1502,10 27941M -0.48 Beli
Aug 23 2019 1537,60 1508,80 1540,30 1503,00 47300M 1.93 Tidak
Aug 26 2019 1537,20 1545,40 1565,00 1534,80 41167M -0.03 Beli
Aug 27 2019 1551,80 1537,30 1554,50 1535,30 34705M 0.95 Tidak
Aug 28 2019 1549,10 1551,80 1556,60 1541,40 35391M -0.17 Beli
Aug 29 2019 1536,90 1549,40 1559,80 1528,60 45560M -0.79 Beli
Aug 30 2019 1529,40 1536,90 1541,90 1525,60 3385M -0.49 Beli
Sep 01 2019 1538,05 1535,25 1542,90 1535,25 0 0.57 Tidak
Sep 02 2019 1535,15 1537,95 1540,05 1528,15 0 -0.19 Beli
Sep 03 2019 1555,90 1535,20 1558,90 1528,00 55483M 1.35 Tidak
Sep 04 2019 1560,40 1556,00 1566,20 1542,60 41235M 0.29 Tidak
Sep 05 2019 1525,50 1561,40 1561,90 1514,30 60640M -2.24 Beli
Sep 06 2019 1515,50 1525,60 1536,20 1510,70 54487M -0.66 Beli
Sep 09 2019 1511,10 1516,40 1523,80 1505,50 31752M -0.29 Beli
Sep 10 2019 1499,20 1507,00 1509,10 1492,10 39792M -0.79 Beli
Sep 11 2019 1503,20 1493,90 1506,20 1492,90 30879M 0.27 Tidak
Sep 12 2019 1507,40 1504,90 1532,20 1496,80 49147M 0.28 Tidak
Sep 13 2019 1499,50 1506,50 1516,60 1493,10 36442M -0.52 Beli
Sep 16 2019 1511,50 1513,10 1519,70 1503,40 34961M 0.80 Beli
Sep 17 2019 1513,40 1506,50 1515,00 1500,90 33663M 0.13 Tidak
Sep 18 2019 1515,80 1509,70 1519,50 1490,70 36496M 0.16 Tidak
Sep 19 2019 1506,20 1502,00 1512,10 1496,30 29130M -0.63 Tidak
Sep 20 2019 1515,10 1506,80 1524,50 1505,30 28439M 0.59 Tidak
Sep 23 2019 1531,50 1521,50 1534,40 1505,30 35988M 1.08 Tidak
Sep 24 2019 1540,20 1529,80 1543,30 1517,90 42486M 0.57 Tidak
Sep 25 2019 1512,30 1539,80 1543,30 1507,40 48146M -1.81 Beli
Sep 26 2019 1515,20 1510,90 1542,80 1507,10 37829M 0.19 Tidak
Sep 27 2019 1506,40 1511,80 1519,50 1493,30 45193M -0.58 Beli
Sep 30 2019 1472,90 1501,70 1507,20 1470,50 43971M -2.22 Beli
Oct 01 2019 1489,00 1478,00 1493,50 1465,00 4517M 1.09 Tidak
Oct 02 2019 1507,90 1485,40 1511,40 1480,50 39310M 1.27 Tidak
Oct 03 2019 1513,80 1505,60 1525,80 1501,70 40874M 0.39 Tidak
Oct 04 2019 1512,90 1511,60 1522,20 1501,40 34479M -0.06 Tidak
Oct 07 2019 1504,40 1518,60 1518,80 1493,30 25778M -0.56 Beli
Oct 08 2019 1503,90 1498,70 1515,30 1492,10 37144M -0.03 Tidak
Oct 09 2019 1512,80 1510,90 1518,00 1505,10 28528M 0.59 Tidak
Oct 10 2019 1500,90 1510,80 1522,30 1495,70 41788M -0.79 Beli
Oct 11 2019 1488,70 1498,30 1508,00 1478,00 48596M -0.81 Beli
Oct 14 2019 1497,60 1492,00 1501,50 1487,10 22832M 0.60 Tidak
Oct 15 2019 1483,50 1497,70 1503,00 1480,80 31799M -0.94 Beli
Oct 16 2019 1494,00 1484,80 1495,50 1480,60 36790M 0.71 Tidak
56
Oct 17 2019 1498,30 1494,20 1501,10 1487,00 30567M 0.29 Tidak
Oct 18 2019 1494,10 1495,60 1497,90 1488,30 23255M -0.28 Beli
Oct 21 2019 1488,10 1495,60 1498,70 1484,80 28429M -0.40 Beli
Oct 22 2019 1487,50 1487,50 1492,10 1484,00 20897M -0.04 Tidak
Oct 23 2019 1495,70 1491,10 1499,40 1490,70 24462M 0.55 Tidak
Oct 24 2019 1504,70 1495,10 1506,90 1490,40 30501M 0.60 Tidak
Oct 25 2019 1505,30 1506,40 1520,90 1503,10 36874M 0.04 Beli
Oct 28 2019 1495,80 1507,40 1510,80 1492,30 31813M -0.63 Beli
Oct 29 2019 1490,70 1494,30 1497,10 1485,60 29198M -0.34 Beli
Oct 30 2019 1496,70 1490,50 1499,30 1483,10 35364M 0.40 Tidak
Oct 31 2019 1514,80 1498,80 1516,70 1496,00 3901M 1.21 Tidak
Nov 01 2019 1511,40 1515,10 1519,00 1505,40 3899M -0.22 Beli
Nov 04 2019 1511,10 1516,40 1517,10 1506,50 2620M -0.02 Beli
Nov 05 2019 1483,70 1511,60 1511,90 1480,70 59362M -1.81 Beli
Nov 06 2019 1493,10 1484,30 1495,90 1483,80 31372M 0.63 Tidak
Nov 07 2019 1466,40 1492,10 1493,60 1461,40 67498M -1.79 Beli
Nov 08 2019 1462,90 1469,00 1473,90 1457,00 44707M -0.24 Beli
Nov 11 2019 1457,10 1460,00 1467,40 1448,90 3116M -0.40 Beli
Nov 12 2019 1460,60 1463,00 1468,10 1453,10 9434M 0.24 Beli
Nov 13 2019 1470,20 1463,80 1474,80 1463,80 4367M 0.66 Tidak
Nov 14 2019 1480,20 1471,70 1482,20 1468,70 4348M 0.68 Tidak
Nov 15 2019 1475,40 1478,70 1478,90 1469,80 3113M -0.32 Beli
Nov 18 2019 1478,80 1475,10 1481,10 1463,30 3319M 0.23 Tidak
Nov 19 2019 1481,20 1477,90 1482,60 1471,80 3581M 0.16 Tidak
Nov 20 2019 1481,00 1481,40 1486,00 1473,00 5828M -0.01 Beli
Nov 21 2019 1470,50 1481,30 1482,70 1469,40 7550M -0.71 Beli
Nov 22 2019 1470,50 1470,90 1480,30 1468,10 8155M 0.00 Beli
Nov 25 2019 1463,80 1467,50 1468,90 1460,70 12674M -0.46 Beli
Nov 26 2019 1467,40 1461,30 1470,00 1456,60 28563M 0.25 Tidak
Nov 27 2019 1460,80 1468,30 1469,10 1459,10 23212M -0.45 Beli
Nov 28 2019 1462,25 1463,25 1464,55 1460,75 0 0.10 Beli
Nov 29 2019 1472,70 1461,20 1472,90 1459,10 27234M 0.71 Tidak
Dec 02 2019 1469,20 1470,30 1471,70 1459,80 31658M -0.24 Beli
Dec 03 2019 1484,40 1468,00 1487,70 1465,40 4090M 1.03 Tidak
Dec 04 2019 1480,20 1483,20 1489,90 1476,70 31973M -0.28 Beli
Dec 05 2019 1483,10 1480,00 1485,70 1478,00 2401M 0.20 Tidak
Dec 06 2019 1465,10 1481,00 1485,30 1463,30 31732M -1.21 Beli
Dec 09 2019 1464,90 1464,10 1469,80 1463,00 17722M -0.01 Tidak
Dec 10 2019 1468,10 1466,30 1473,70 1464,20 22883M 0.22 Tidak
Dec 11 2019 1475,00 1468,50 1483,50 1466,90 25173M 0.47 Tidak
Dec 12 2019 1472,30 1479,20 1491,60 1468,20 40986M -0.18 Beli
57
Dec 13 2019 1481,20 1470,80 1482,50 1465,50 35668M 0.60 Tidak
Dec 16 2019 1480,50 1480,00 1484,50 1477,40 16585M -0.05 Tidak
Dec 17 2019 1480,60 1480,60 1484,90 1478,40 17325M 0.01 Tidak
Dec 18 2019 1478,70 1480,40 1483,60 1474,30 19797M -0.13 Beli
58
Lampiran 2. Source Code
Index.php
<?php
include('dashboard/includes/connect.php');
?>
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width, initial-
scale=1, shrink-to-fit=no">
<meta name="description" content="">
<meta name="author" content="">
59
position: relative;
padding-bottom: 56.25%; /* 16:9 */
padding-top: 25px;
height: 0;
}
.wrapper iframe {
position: absolute;
top: 0;
left: 0;
width: 100%;
height: 100%;
}-->
</head>
<body id="page-top">
<?php
if (!isset($_SESSION['username'])) {
echo "<li class='nav-item'>
<a class='nav-link js-scroll-
trigger' href='dashboard'>Login</a>
</li>";
} else {
echo "<li class='nav-item'>
<a class='nav-link js-scroll-
60
trigger' href='dashboard'>Dashboard</a>
</li>";
}
?>
</ul>
</div>
</div>
</nav>
<header id="beranda" class="masthead text-center text-white d-
flex">
<div class="container my-auto">
<div class="row">
<div class="col-lg-10 mx-auto">
<h1 class="text-uppercase">
<strong>Selamat Datang</strong>
</h1>
<hr>
</div>
<div class="col-lg-8 mx-auto">
<p class="text-faded mb-5"
align="center">Future of Gold adalah aplikasi untuk prediksi
keputusan
pembelian Emas. Aplikasi ini dibangun untuk
memenuhi mata kuliah skripsi Prodi S1 Teknik
Informatika, Jurusan Elektro, Fakultas
Teknik, Universitas Negeri Malang.</p>
<a class="btn btn-primary btn-xl js-scroll-
trigger" href="#prediksi">Lihat Prediksi Keputusan
Pembelian Emas</a>
</div>
</div>
</div>
</header>
<?php
while ($row = $result_last_fold->fetch_assoc())
61
{
echo "
<table class='table'
width='100%'>
<tr>
<td>
<strong>Prediksi 1 </td>
<td>
<strong>Prediksi 2</td>
<td>
<strong>Prediksi 3</td>
<td> <strong>Prediksi 4</td>
<td>
<strong>Prediksi 5</td>
<td>
<strong>Prediksi 6</td>
<td>
<strong>Prediksi 7</td>
<td>
<strong>Prediksi 8</td>
<td>
<strong>Prediksi 9</td>
<td>
<strong>Prediksi 10</td>
</tr>
<tr>
<td>" .
$row["fold1"] . "</td>
<td>" .
$row["fold2"] . "</td>
<td>" .
$row["fold3"] . "</td>
<td>" .
$row["fold4"] . "</td>
<td>" .
$row["fold5"] . "</td>
<td>" .
$row["fold6"] . "</td>
<td>" .
$row["fold7"] . "</td>
<td>" .
$row["fold8"] . "</td>
<td>" .
$row["fold9"] . "</td>
<td>" .
$row["fold10"] . "</td>
</tr>
</table>";
}
?>
<br><br>
62
<?php
while ($row = $result_last->fetch_assoc()) {
echo "
<table class='table'
width='100%'>
<tr>
<td> <strong>
Tanggal ". $row["date"].
" Keputusannya adalah <strong>".
$row ["keputusan"]. "</td>
</tr>
</table>";
}
?>
<br>
</div>
</div>
</div>
<div id="dataemas">
<div class="container">
<div class="row">
<div class="col-lg-8 mx-auto text-center">
<hr class="my-4">
<h2 class="section-heading">Data Emas</h2>
</div>
</div>
<div class="row">
<div class="col-lg-12 ml-auto text-center">
<table class="table" width="100%">
<tr>
<td>Date</td>
<td>Price</td>
<td>Open</td>
<td>High</td>
<td>Low</td>
<td>Volume</td>
<td>Change %</td>
<td>Keputusan</td>
</tr>
<?php
if ($result->num_rows > 0) {
while ($row = $result-
>fetch_assoc()) {
echo "
<tr>
<td>" .
$row["date"] . "</td>
<td>" .
$row["price"] . "</td>
<td>" .
$row["open"] . "</td>
63
<td>" .
$row["high"] . "</td>
<td>" . $row["low"]
. "</td>
<td>" . $row["vol"]
. "</td>
<td>" .
$row["perubahan"] . "%</td>
<td>" .
$row["keputusan"] . "</td>
</tr>";
}
}
?>
<table>
<br />
</div>
</div>
</div>
</div>
<div id="hargaemas">
<div class="container">
<div class="row">
<div class="col-lg-8 mx-auto text-center">
<hr class="my-4">
<h2 class="section-heading">Harga Emas
Indonesia</h2>
</div>
</div>
<p>Harga Emas dalam 30 Hari Terakhir</p>
<div id="div_chart_antam" align="center"></div>
<script src="http://harga-
emas.org/widget/widget.js"></script>
<script>
v_widget_type = "chart_gold_antam";
v_period = 30; //hari
v_width = 700;
v_height = 400;
he_org_show_chart(v_widget_type, v_period, v_width,
v_height, 'div_chart_antam');
</script>
<br>
<?php
date_default_timezone_set("Asia/Jakarta");
$tgl = date('d-m-Y');
echo "Tanggal " . $tgl;
?>
<br>
<?php
echo "Waktu sekarang " . date("h:i:sa");
?>
</div>
64
</div>
</div>
</table>
</div>
<div class="container">
<div class="row">
<div class="col-lg-8 mx-auto text-center">
<hr class="my-4">
<p class="text-muted mb-0" align="justify"></p>
<footer>
<div class="container">
<div class="row">
<div class="col-md-4">
<span class="copyright">Copyright
© Future of Gold, Inc. 2020</span>
</div>
<div class="col-md-4">
<ul class="list-inline social-
buttons">
<li class="list-inline-item">
<a href="#">
<i class="fa fa-
twitter"></i>
</a>
</li>
<li class="list-inline-item">
<a href="#">
<i class="fa fa-
facebook"></i>
</a>
</li>
<li class="list-inline-item">
<a href="#">
<i class="fa fa-
instagram"></i>
</a>
</li>
<li class="list-inline-item">
<a href="#">
<i class="fa fa-
whatsapp"></i>
</a>
</ul>
</div>
<div class="col-md-4">
<ul class="list-inline quicklinks">
<li class="list-inline-item">
<a href="#">Privacy
Policy</a>
</li>
<li class="list-inline-item">
<a href="#">Terms of
Use</a>
65
</li>
</ul>
</div>
</div>
</div>
</footer>
</div>
</div>
</div>
</body>
</html>
/dashboard/index.php
<?php
include('includes/connect.php');
if (!isset($_SESSION['username'])) {
header('Location: login.php');
}
?>
<!DOCTYPE html>
<html lang="en">
<head>
<title>Dashboard | Prediksi Pembelian Emas</title>
<?php include('includes/header.php'); ?>
66
</div>
<div class="form-group">
<label for="price">Price</label>
<input type="number" class="form-
control" id="price" name="price" placeholder="10000">
</div>
<div class="form-group">
<label for="open">Open</label>
<input type="number" class="form-
control" id="open" name="open" placeholder="10000">
</div>
<div class="form-group">
<label for="high">High</label>
<input type="number" class="form-
control" id="high" name="high" placeholder="10000">
</div>
<div class="form-group">
<label for="low">Low</label>
<input type="number" class="form-
control" id="low" name="low" placeholder="10000">
</div>
<div class="form-group">
<label for="volume">Volume</label>
<input type="number" class="form-
control" id="volume" name="volume" placeholder="10000">
</div>
<label for="change">Perubahan (%)</label>
<input type="number" step="0.01"
class="form-control" id="change" name="change"
placeholder="0.00">
<button style="margin:20px" name="save"
type="submit" class="btn-lg btn-primary">Submit</button>
</div>
</form>
</div>
</div>
</div>
</div>
<?php
if (isset($_POST['save'])) {
$change = $_POST['change'];
$price = $_POST['price'];
$open = $_POST['open'];
$high = $_POST['high'];
$vol = $_POST['volume'];
$low = $_POST['low'];
67
if ($high > 1521.200) {
$keputusan = "Tidak";
} else {
if ($low > 1503.200) {
$keputusan = "Tidak";
} else {
if ($high > 1469.050) {
$keputusan = "Beli";
} else {
if ($high > 1449.150) {
$keputusan = "tidak";
} else {
if ($high > 1354.950) {
$keputusan =
"Beli";
} else {
if ($change >
0.260) {
$keputusan =
"Beli";
} else {
if ($change >
0.145) {
if
($change > 0.180) {
$keputusan = "Tidak";
} else
{
$keputusan = "Beli";
}
else {
$keputusan = "Tidak";
}
}
} else {
$keputusan = "Beli";
}
}
}
}
}
}
}
} else {
if ($change > 0.085) {
if ($high > 1389.550) {
$keputusan = "Tidak";
68
} else {
$keputusan = "Beli";
}
} else {
$keputusan = "Beli";
}
}
} else {
$keputusan = "Tidak";
}
} else {
if ($high > 1282.825) {
if ($change > -0.140) {
if ($high > 1298.250) {
if ($low > 1502.250) {
$keputusan = "Tidak";
} else {
if ($low > 1490.937) {
$keputusan = "Beli";
} else {
if ($change > 0.050) {
$keputusan = "Tidak";
} else {
if ($change > 0.005) {
if ($high >
1349.450) {
$keputusan =
"Tidak";
} else {
$keputusan =
"Beli";
}
} else {
$keputusan =
"Tidak";
}
}
}
}
} else {
$keputusan = "Beli";
}
} else {
if ($high > 1426.325) {
if ($low > 1413.925) {
$keputusan = "Tidak";
} else {
$keputusan = "Beli";
}
} else {
$keputusan = "Tidak";
}
}
69
} else {
$keputusan = "Tidak";
}
}
// model 2
if ($change > -0.028) {
if ($high > 1351.600) {
if ($high > 1357.200) {
$keputusan2 = "Tidak";
} else {
$keputusan2 = "Beli";
}
} else {
$keputusan2 = "Tidak";
}
} else {
$keputusan2 = "Beli";
}
// model 3
if ($change > -0.105) {
if ($low > 1307.300) {
if ($high > 1317.926) {
$keputusan3 = "Tidak";
} else {
$keputusan3 = "Beli";
}
} else {
$keputusan3 = "Beli";
}
} else {
$keputusan3 = "Beli";
}
// model 4
if ($change > 0.240) {
$keputusan4 = "Tidak";
} else {
if ($change > -0.080) {
$keputusan4 = "Tidak";
} else {
70
$keputusan4 = "Beli";
}
}
// model 5
if ($change > -0.225) {
if ($low > 1347.900) {
$keputusan5 = "Beli";
} else {
if ($high > 1349.400) {
$keputusan5 = "Tidak";
} else {
if ($high > 1344.400) {
$keputusan5 = "Beli";
} else {
if ($low > 1290.950) {
if ($low > 1294.400) {
if ($high >
1323.921) {
$keputusan5 =
"Beli";
} else {
$keputusan5 =
"Tidak";
}
} else {
$keputusan5 =
"Beli";
}
} else {
$keputusan5 = "Tidak";
}
}
}
}
} else {
$keputusan5 = "Beli";
}
// model 6
if ($high > 1441.050) {
$keputusan6 = "Beli";
} else {
if ($change > 0.105) {
$keputusan6 = "Tidak";
} else {
if ($high > 1416.448) {
$keputusan6 = "Beli";
} else {
$keputusan6 = "Tidak";
}
}
}
71
// model 7
if ($change > 0.040) {
$keputusan7 = "Tidak";
} else {
$keputusan7 = "Beli";
}
// model 8
if ($change > -0.030) {
$keputusan8 = "Tidak";
} else {
$keputusan8 = "Beli";
}
// model 9
if ($change > -0.140) {
if ($high > 1516.900) {
if ($change > 0.215) {
$keputusan9 = "Tidak";
} else {
$keputusan9 = "Beli";
}
} else {
$keputusan9 = "Tidak";
}
} else {
$keputusan9 = "Beli";
}
// model 10
if ($change > -0.090) {
if ($high > 1468.950) {
$keputusan10 = "Tidak";
} else {
$keputusan10 = "Beli";
}
} else {
$keputusan10 = "Beli";
}
// echo $keputusan;
$hasil_keputusan =
array($keputusan1,$keputusan2,$keputusan3,$keputusan4,$keputusan5,$
keputusan6,$keputusan7,$keputusan8,$keputusan9,$keputusan10);?>
<?php if(!isset($data['Tidak'])):?>
<?php $data['Tidak'] = 0;?>
<?php endif;?>
72
<!-- <?php echo 'jumlah keputusan beli sebanyak ='.
$data['Beli'].'<br>';?>
<?php echo 'jumlah tidak sebanyak ='. $data['Tidak'];?>
-->
<?php
if (mysqli_query($conn, $sql)) {
mysqli_query($conn, $sqlFold);
echo "<script>swal('Sukses', 'Data berhasil
ditambahkan', 'success');</script>";
} else {
echo "<script>swal('Gagal', 'Data tidak berhasil
ditambahkan', 'error');</script>";
}
}
?>
</body>
</html>
/dashboard/data.php
<?php
include('includes/connect.php');
if(!isset($_SESSION['username'])){
header('Location: login.php');
}
?>
<!DOCTYPE html>
<html lang="en">
73
<head>
<title>Data | Prediksi Pembelian Emas </title>
<?php include('includes/header.php'); ?>
<div class="table-responsive">
<table class="table table-striped table-bordered" id="data">
<thead>
<tr>
<th>No</th>
<th>Tanggal</th>
<th>Price</th>
<th>Open</th>
<th>High</th>
<th>Low</th>
<th>Volume</th>
<th>Perubahan</th>
<th>Keputusan</th>
<th>Aksi</th>
</tr>
</thead>
<tbody>
<?php
$no = 0;
$query = mysqli_query($conn, "SELECT * FROM data_emas ORDER
by id DESC LIMIT 30");
while($row = mysqli_fetch_array($query)){
$no++;
?>
<tr>
<td><?= $no ?></td>
<td><?= $row['date'] ?></td>
<td align="left">Rp. <?= number_format($row['price']) ?
></td>
<td align="left">Rp. <?= number_format($row['open']) ?
></td>
<td align="left">Rp. <?= number_format($row['high']) ?
></td>
<td align="left">Rp. <?= number_format($row['low']) ?
></td>
<td align="left"><?= number_format($row['vol']) ?></td>
<td align="left"><?= $row['perubahan'] ?>%</td>
<td align="left"><?= $row['keputusan'] ?></td>
<td>
<a href="../dashboard/delete.php?id_delete=<?=
$row['id'] ?>" class="btn btn-xs btn-danger" onclick="return
confirm('Yakin ingin menghapus data?')" title="Hapus data"><i
74
class="fa fa-trash"></i></a>
<a href="../dashboard/edit.php?id_edit=<?= $row['id']
?>" class="btn btn-xs btn-warning" title="Edit data"><i class="fa
fa-pencil"></i></a>
</td>
</tr>
<?php } ?>
</tbody>
</table>
</div>
</div></div></div></div>
</body>
</html>
/dashboard/delete.php
<?php
include('includes/connect.php');
if(!isset($_SESSION['username'])){
header('Location: login.php');
}
if(isset($_GET['id_delete'])){
$del = mysqli_query($conn, "DELETE FROM data WHERE id =
'$_GET[id_delete]'");
if($del) {
echo "<script>swal('Sukses', 'Data berhasil dihapus',
'success');</script>";
}
}
header('Location: data.php');
?>
/dashboard/edit.php
<?php
include('includes/connect.php');
if(!isset($_SESSION['username'])){
header('Location: login.php');
}
75
$q_edit = mysqli_query($conn, "SELECT * FROM data_emas WHERE
id='$_GET[id_edit]'");
$edit = mysqli_fetch_array($q_edit);
if(isset($_POST['save'])){
$price = $_POST['price'];
$open = $_POST['open'];
$high = $_POST['high'];
$low = $_POST['low'];
$volume = $_POST['volume'];
$change = $_POST['change'];
<head>
<title>Edit | Prediksi Pembelian Emas</title>
<?php include('includes/header.php'); ?>
76
<label for="high">High</label>
<input type="number" class="form-control"
id="high" name="high" placeholder="10000" value="<?= $edit['high']
?>">
</div>
<div class="form-group">
<label for="low">Low</label>
<input type="number" class="form-control"
id="low" name="low" placeholder="10000" value="<?= $edit['low'] ?
>">
</div>
<div class="form-group">
<label for="volume">Volume</label>
<input type="number" class="form-control"
id="volume" name="volume" placeholder="10000" value="<?=
$edit['vol'] ?>">
</div>
<label for="change">Change %</label>
<input type="number" step="0.01" class="form-
control" id="change" name="change" placeholder="0.00" value="<?=
$edit['perubahan'] ?>">
</div>
<button style="margin-top:30px" name="save"
type="submit" class="btn-lg btn-primary">Submit</button>
</form>
</div></div></div></div>
</body>
</html>
/dashboard/login.php
<?php
// Username : hardi
// Password : malangkota
include('includes/connect.php');
if(isset($_SESSION['username'])){
header('Location: index.php');
}
?>
<!DOCTYPE html>
<html lang="en">
<head>
77
<div class="container">
<div class="row">
<div class="col-lg-12">
<?php
if(isset($_POST['login'])){
$username = $_POST['username'];
$password = md5($_POST['password']);
<form method="POST">
<div class="form-group">
<input class="form-control" placeholder="Username"
name="username" autocomplete="off" type="text" autofocus=""
required="">
</div>
<div class="form-group">
<input class="form-control" placeholder="Password"
name="password" type="password" required="">
</div>
<div class="form-group">
<input class="btn btn-success btn-block"
name="login" type="submit" value="Login">
</div>
</form>
</div></div></div></div>
</body>
</html>
78
/dashboard/logout.php
<?php
session_start();
unset($_SESSION['username']);
unset($_SESSION['level']);
header('Location: ..');
?>
/dashboard/include/header.php
79
<script
src="../vendor/scrollreveal/scrollreveal.min.js"></script>
<script src="../vendor/magnific-popup/jquery.magnific-
popup.min.js"></script>
<script src="../js/creative.min.js"></script>
</head>
<body id="page-top">
if ($currenturl != "login.php") {
echo "<div class='collapse navbar-collapse' id='navbarNav'>
<ul class='navbar-nav navbar-left'>
<li class='nav-item active'>
<a class='nav-link' href='../dashboard/'><i>Input
Data</i></a>
</li>
<li class='nav-item active'>
<a class='nav-link' href='../dashboard/data.php'><i>Edit
Data</i></a>
</li>
<li class='nav-item active'>
<a class='nav-link' href='..'>Halaman Depan</a>
</li>
<li class='nav-item active'>
<a class='nav-link'
href='../dashboard/logout.php'>Logout</a>
</li>
</ul>
</div>";
}
?>
</nav>
80
/dashboard/include/connect.php
<?php
$servername = "localhost";
$username = "root";
$password = "";
$dbname = "fogbaru";
// Create connection
$conn = new mysqli($servername, $username, $password, $dbname);
// Check connection
if ($conn->connect_error) {
die("Connection failed: " . $conn->connect_error);
}
session_start();
ob_start();
?>
81
RIWAYAT HIDUP
82